EmoTVR：从 EEG 估计连续时间、连续水平情绪的混合模型

基于摘要分析。该研究面向视频观看等较长时段中的动态情绪估计，研究对象不是离散情绪类别，而是随时间变化、情绪水平连续的轨迹。作者为 SEED 视频组织连续情绪标注，并提出 Emotion Time-Varying Regression（EmoTVR），利用 EEG 时空表征进行连续情绪回归。 核心机制：EmoTVR 使用空洞卷积网络提取空间特征，并以基于注意力的长短期记忆网络构建时间自注意回归器，用于时间特征提取和连续估计；此外引入 Domain Adversarial Neural Network，以应对个体差异。摘要未提供具体损失形式、网络规模、时间窗口及域对抗训练设置，这些内容尚未验证。 数据与监督：作者招募参与者，对 SEED 语料中的视频赋予连续时间、连续水平的情绪标签。需要核对标签由谁提供、如何汇总，以及标签与 EEG 的时间对齐方式；视频情绪标注如何对应 EEG 被试的主观体验，也需依据全文判断，不能直接将二者视为等价。 结果与证据边界：作者报告，在被试内（Within-subject）和跨被试（Cross-subject）交叉验证中，EmoTVR 对动态连续情绪的识别优于传统方法。摘要未给出被试数量、划分细节、对照方法、回归指标或具体数值，因此无法判断提升幅度，也不能直接比较两种协议的表现。实验协议、消融及统计信息尚未验证。 复现时应重点核对连续标签构建流程、EEG 预处理与时间对齐、交叉验证划分、域对抗学习的数据使用方式，以及空间、时间和域对抗模块的独立贡献。作者认为该方法具有自然情境下情绪识别的应用潜力，但摘要中的交叉验证结果尚不能等同于实时应用或跨场景有效性验证。